Durante más de 100 años, los científicos han estado utilizando la cristalografía de rayos X para determinar la estructura de materiales cristalinos como metales, rocas y cerámicas.
Esta técnica funciona mejor cuando el cristal está intacto, pero en muchos casos los científicos solo tienen una versión en polvo del material, que contiene fragmentos aleatorios del cristal, lo que hace que sea más difícil reconstruir la estructura general.
Los químicos del MIT han ideado un nuevo modelo de inteligencia artificial generativa que puede facilitar enormemente la determinación de las estructuras de estos cristales en polvo. El modelo de predicción podría ayudar a los investigadores a caracterizar materiales para su uso en baterías, imanes y muchas otras aplicaciones.
“La estructura es lo primero que hay que saber sobre cualquier material. Es importante para la superconductividad, para los imanes, para saber qué sistema fotovoltaico se ha creado. Es importante para cualquier aplicación que se te ocurra que esté centrada en los materiales”, afirma Danna Freedman, profesora de Química Frederick George Keyes en el MIT.
Freedman y Jure Leskovec, profesor de informática en la Universidad de Stanford, son los autores principales del nuevo estudio, que aparece hoy en la revista Revista de la Sociedad Química AmericanaEl estudiante de posgrado del MIT Eric Riesel y el estudiante de pregrado de la Universidad de Yale Tsach Mackey son los autores principales del artículo.
Patrones distintivos
Los materiales cristalinos, entre los que se incluyen los metales y la mayoría de los demás materiales sólidos inorgánicos, están formados por redes que constan de muchas unidades idénticas que se repiten. Estas unidades pueden considerarse como “cajas” con una forma y un tamaño distintivos, con átomos dispuestos con precisión en su interior.
Cuando se emiten rayos X sobre estas redes, se difractan en los átomos con diferentes ángulos e intensidades, lo que revela información sobre las posiciones de los átomos y los enlaces entre ellos. Desde principios del siglo XX, esta técnica se ha utilizado para analizar materiales, incluidas moléculas biológicas que tienen una estructura cristalina, como el ADN y algunas proteínas.
Para los materiales que solo existen como cristal en polvo, resolver estas estructuras se vuelve mucho más difícil porque los fragmentos no tienen la estructura 3D completa del cristal original.
“La red precisa todavía existe, porque lo que llamamos polvo es en realidad una colección de microcristales. Por lo tanto, tiene la misma red que un cristal grande, pero están en una orientación completamente aleatoria”, dice Freedman.
Existen patrones de difracción de rayos X para miles de estos materiales, pero aún no se han resuelto. Para intentar descifrar las estructuras de estos materiales, Freedman y sus colegas entrenaron un modelo de aprendizaje automático con datos de una base de datos llamada Materials Project, que contiene más de 150.000 materiales. Primero, introdujeron decenas de miles de estos materiales en un modelo existente que puede simular cómo se verían los patrones de difracción de rayos X. Luego, utilizaron esos patrones para entrenar su modelo de inteligencia artificial, al que llaman Crystalyze, para predecir estructuras basadas en los patrones de rayos X.
El modelo divide el proceso de predicción de estructuras en varias subtareas. En primer lugar, determina el tamaño y la forma de la “caja” reticular y qué átomos entrarán en ella. A continuación, predice la disposición de los átomos dentro de la caja. Para cada patrón de difracción, el modelo genera varias estructuras posibles, que se pueden probar introduciendo las estructuras en un modelo que determina los patrones de difracción para una estructura determinada.
“Nuestro modelo es una IA generativa, lo que significa que genera algo que no ha visto antes y eso nos permite generar varias suposiciones diferentes”, dice Riesel. “Podemos hacer cien suposiciones y luego podemos predecir cómo debería lucir el patrón de polvo para nuestras suposiciones. Y luego, si la entrada se ve exactamente como la salida, entonces sabemos que lo hicimos bien”.
Resolver estructuras desconocidas
Los investigadores probaron el modelo en varios miles de patrones de difracción simulados del Proyecto de Materiales. También lo probaron en más de 100 patrones de difracción experimentales de la base de datos RRUFF, que contiene datos de difracción de rayos X en polvo para casi 14.000 minerales cristalinos naturales, que habían conservado fuera de los datos de entrenamiento. En estos datos, el modelo fue preciso alrededor del 67 por ciento de las veces. Luego, comenzaron a probar el modelo en patrones de difracción que no se habían resuelto antes. Estos datos provenían del Archivo de difracción de polvo, que contiene datos de difracción de más de 400.000 materiales resueltos y no resueltos.
Con su modelo, los investigadores idearon estructuras para más de 100 de estos patrones que no habían sido resueltos hasta ahora. También utilizaron su modelo para descubrir estructuras para tres materiales que el laboratorio de Freedman creó forzando a elementos que no reaccionan a presión atmosférica a formar compuestos bajo alta presión. Este enfoque se puede utilizar para generar nuevos materiales que tienen estructuras cristalinas y propiedades físicas radicalmente diferentes, aunque su composición química sea la misma.
El grafito y el diamante, ambos compuestos de carbono puro, son ejemplos de este tipo de materiales. Los materiales que ha desarrollado Freedman, que contienen bismuto y otro elemento, podrían ser útiles en el diseño de nuevos materiales para imanes permanentes.
“Encontramos muchos materiales nuevos a partir de datos existentes y, lo más importante, resolvimos tres estructuras desconocidas de nuestro laboratorio que comprenden las primeras fases binarias nuevas de esas combinaciones de elementos”, dice Freedman.
Poder determinar las estructuras de materiales cristalinos en polvo podría ayudar a los investigadores que trabajan en casi cualquier campo relacionado con los materiales, según el equipo del MIT, que ha publicado una interfaz web para el modelo en crystalyze.org.
La investigación fue financiada por el Departamento de Energía de EE. UU. y la Fundación Nacional de Ciencias.
